基于数字指纹的音频检索系统的设计与实现-电子与通信工程专业论文.docx

DIGITAL FINGERPRINT-BASED AUDIO RETRIEVAL SYSTEM DESIGN AND IMPLEMENTATION A Master Thesis Submitted to University of Electronic Science and Technology of China Major: Electronics and Communication Engineering Author: Xincheng Gao Advisor: Professor Hui Li School : School of Astronautics Aeronautics 独创性声明 本人声明所呈交的学位论文是本人在导师指导下进行的研究工作 及取得的研究成果。据我所知，除了文中特别加以标注和致谢的地方 外，论文中不包含其他人已经发表或撰写过的研究成果，也不包含为 获得电子科技大学或其它教育机构的学位或证书而使用过的材料。与 我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的 说明并表示谢意。 作者签名： 日期： 年 月 日 论文使用授权 本学位论文作者完全了解电子科技大学有关保留、使用学位论文 的规定，有权保留并向国家有关部门或机构送交论文的复印件和磁盘， 允许论文被查阅和借阅。本人授权电子科技大学可以将学位论文的全 部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描 等复制手段保存、汇编学位论文。 （保密的学位论文在解密后应遵守此规定） 作者签名： 导师签名： 日期： 年 月 日 摘 摘 要 I I 摘 要 近年来，随着多媒体技术的普及，音频数据在网络上有了爆炸性的增长，这 使得开发高效的检索分类音频数据的方法越来越受到关注。基于内容的音频检索 系统利用从信号中提取出的声学特征与数据库中存储的声学特征进行比对从而检 索出音频信号的元数据（作者，专辑，流派等）。其潜在应用包括自动音频识别， 音频轨迹跟踪，版权保护，电视节目检索，广告背景音乐检测等等。 本篇论文主要实现了基于内容的音频检索即通过数字音频指纹来检索识别音 频文件。数字音频指纹是从音频内容中提取出的一段可以代表音频重要声学特征 的紧致数字签名，将数字音频指纹作为用于识别音频的索引，并和相应的元数据 信息内容一起存储在数据库中，检索时将未知音频文件提取出的数字音频指纹与 数据库中存储的进行比对从而识别出未知音频文件。 本文着重对影响着音频检索系统鲁棒性的几个重要步骤：特征提取，指纹模 型和匹配进行了研究： 首先，本文研究比较了几个频谱特征，包括梅尔频率倒谱系数（Mel-Frequency Cepstral Coefficients，MFCCs），色度频谱（Chroma Spectrum）, 常数 Q 值转换频 谱（Constant Q Spectrum）, 以及积谱(Product Spectrum)。前三个特征提取只是来 源于幅度谱，其已经广泛应用于音频信号处理及关键点检测，而积谱则利用了幅 度谱与群延迟的乘积，它在鲁棒语音识别中效率非常高。实验表明在音频检索系 统中本文所用的基于积谱的特征提取方法比前三种特征提取方法更具有更高的检 索精确度。 其次，本文提出了一个累积相似模型，以便能更好地提取出音频数据之间的 相似度。实验表明累积相似模型比欧氏距离模型具有更好的效率与精确度。 第三，本文使用高斯混合模型来提高音频检索系统的鲁棒性。高斯混合模型 通过使用期望最大值算法（EM）来训练音频数据库，高斯混合模型能更好地描述 声学特征的特点。通过训练高斯混合模型，数据库中的音频和待检测音频片段的 特征向量都转换成了象征性的符号标记，然后在数据库中进行检索。实验结果表 明了高斯混合模型的优点，它即使在严重的噪声失真的情况下依然保持着较高的 精确度。 最后，通过实验将本文提出的方法与一种目前通用的音频检索方法 AudioDNA 进行了比较。本文的方法与 AudioDNA 的最大区别是声学特征提取方法的不同与 以及相似性度量方法的不同。实验结果表明，本文提出的方法更能抵抗噪声攻击 引起的失真。 II II 关键词：数字音频指纹 特征提取 高斯混合模型 累积相似模型 频谱特征 AB ABSTRACT PAGE PAGE VI ABSTRACT In recent years, with the popularity of multimedia technology, audio data has been in explosive growth in the network, which draws attention to the development of efficient retrieval of audio data